在机器人学和数学中，手眼标定问题（也成为“机器人-传感器”或“机器人-世界”标定问题）是确定机器人末端执行器与传感器（相机或激光扫描仪）之间或机器人底座与世界坐标系之间的转换的问题。

简介

手眼标定是确定视觉传感器（如相机、3D扫描仪）坐标系与机器人坐标系之间空间转换关系的过程，核心目标是实现视觉数据与机械臂操作的精准关联35。根据传感器安装位置分为两类：

• ‌**Eye-in-Hand（眼在手上）**‌：相机固定于机械臂末端，随臂运动38；
• ‌**Eye-to-Hand（眼固定）**‌：相机独立安装于环境中，观测机械臂运动56。

‌核心目的‌

通过标定矩阵（旋转矩阵与平移向量）实现：

1. 将相机捕获的点云数据映射至机器人坐标系，指导机械臂执行抓取、装配等任务46；
2. 减少因视觉误差导致的机械臂定位偏差，提升工业自动化精度17。

‌关键技术方法‌

1. ‌传统标定算法‌
   • 基于 ‌AX=XB‌ 方程求解变换矩阵，需结合机械臂末端位姿（TEndBase）与标定板位姿（TCalTargetCam）构建方程组38；
   • 通过多次运动采集多组数据，利用最小二乘法或奇异值分解（SVD）优化解算35。
2. ‌现代优化方法‌
   • ‌动态环境感知‌：引入振动补偿与闭环重投影误差优化，降低环境干扰导致的标定失败率2；
   • ‌路径规划增强‌：采用螺旋/网格运动路径，提升标定数据采集的效率和覆盖范围

方法说明: https://campar.in.tum.de/Chair/HandEyeCalibration

眼在手上 (Eye In Hand)

相机(眼睛)安装在机器人夹具末端(手)，估计末端坐标系到相机坐标系的变换 $^gT_c$ 称为“眼在手上”的标定.

公式符号与意义

$^bT_g$ 指的是机械臂末端坐标系在机械臂基座坐标系下的变换关系，可以使用机械臂的正运动学得到：

$$ \begin{bmatrix}X_b\\Y_b\\Z_b\\1\end{bmatrix}=\begin{bmatrix}{}^bR_g&{}^bt_g\\0_{1\times3}&1\end{bmatrix}\begin{bmatrix}X_g\\Y_g\\Z_g\\1\end{bmatrix} $$

$^cT_t$ 指的是标定板目标坐标系在相机坐标系下的变换关系，可以使用PNP方法估计得到 ：

$$ \begin{bmatrix}X_{c}\\Y_{c}\\Z_{c}\\1\end{bmatrix}=\begin{bmatrix}{}^{c}R_{t}&{}^{c}t_{t}\\0_{1\times3}&1\end{bmatrix}\begin{bmatrix}X_{t}\\Y_{t}\\Z_{t}\\1\end{bmatrix} $$ 而 $^bT_t$ 和 $^gT_c$ 是常量, 可以列出等式: $$ \begin{aligned}^bT_t = &^bT_g^{(1)}\times^gT_c\times^cT_t^{(1)}=^bT_g^{(2)}\times^gT_c\times^cT_t^{(2)}\end{aligned} $$ 调整后得到: $$ \\&(^bT_g^{(2)})^{-1}\times^bT_g^{(1)}\times^gT_c=^gT_c\times^cT_t^{(2)}\times(^cT_t^{(1)})^{-1} $$ 问题就转换为 $AX=XB$ 的公式求解。

眼在手外 (Eye To Hand)

眼在手外的手眼标定, 通过固定相机和机械臂基坐, 用相机拍摄机械臂末端, 末端粘贴标定板, 此时记录机械臂夹爪位姿, 相机通过 PnP 解算出标定板位姿, 利用标定板与夹爪之间的转换矩阵是常量来建立约束, 求解相机与基坐之间的位姿关系, 估计相机坐标系在机器人基座坐标系下的变换关系 $^bT_c$ ，这个过程称为“眼在手外”的标定。

每次移动时， $^bT_c$ 和 $^gT_t$ 是保持不动的。
$$
^gT_t = ^gT_b{(1)}\times^bT_c\timescT_t^{(1)}=gT_b^{(2)}\timesbT_c\times^cT_t{(2)}
$$
调整后得到:
$$
(^gT_b{(2)})^{-1}\timesgT_b^{(1)}\timesbT_c=^bT_c\timescT_t^{(2)}\times(cT_t^{(1)}){-1}
$$
再次转换为 $AX=XB$ 的公式求解。

求解AX=XB

按照实现原理可以将所有方法分为三类：

• 独立闭式解 （seperable closed-form solutions）: 与位移分量分开求解旋转分量。

缺点: 旋转分量Rx的计算误差会被带入位移分量tx的计算中。

• 同时闭式解 （simultaneous closed-form solutions）： 同时求解位移分量和旋转分量

缺点: 由于噪声的影响，旋转分量Rx的求解可能不一定是正交矩阵。因此，必须对旋转分量采取正交化步骤。然而，相应的位移分量没有被重新计算，这会导致求解错误。

• 迭代方法 （iterative solutions）： 使用优化技术迭代求解旋转分量和平移分量。

缺点: 这种方式计算量可能很大，因为这些方法通常包含复杂的优化程序。此外，随着方程数量(n)变大，迭代解与封闭式解之间的差异通常会变小。因此，使用此方法前必须决定迭代解决方案的准确性是否值得计算成本。

OpenCV 实现

OpenCV 中的 calibrateHandEye 方法实现了手眼标定的功能.

• 官方文档: https://docs.opencv.org/4.x/d9/d0c/group__calib3d.html#gaebfc1c9f7434196a374c382abf43439b

1

R_cam2gripper, t_cam2gripper = cv.calibrateHandEye(R_gripper2base, t_gripper2base, R_target2cam,t_target2cam, method) 

• 参数说明:

  参数	说明
  R_gripper2base	夹爪到机械臂基坐的旋转矩阵
  t_gripper2base	夹爪到机械臂基坐的平移向量
  R_target2cam	标定板到相机的旋转矩阵
  t_target2cam	标定板到相机的平移向量
  method	可选算法

• 可选方法:

  官方文档: https://docs.opencv.org/4.x/d9/d0c/group__calib3d.html#gad10a5ef12ee3499a0774c7904a801b99

  参数	说明
  CALIB_HAND_EYE_TSAI Python: cv.CALIB_HAND_EYE_TSAI	A New Technique for Fully Autonomous and Efficient 3D Robotics Hand/Eye Calibration [275].
  CALIB_HAND_EYE_PARK Python: cv.CALIB_HAND_EYE_PARK	Robot Sensor Calibration: Solving AX = XB on the Euclidean Group [214].
  CALIB_HAND_EYE_HORAUD Python: cv.CALIB_HAND_EYE_HORAUD	Hand-eye Calibration [127].
  CALIB_HAND_EYE_ANDREFF Python: cv.CALIB_HAND_EYE_ANDREFF	On-line Hand-Eye Calibration [12].
  CALIB_HAND_EYE_DANIILIDIS Python: cv.CALIB_HAND_EYE_DANIILIDIS	Hand-Eye Calibration Using Dual Quaternions [65].

  其中默认方法为TSAI独立闭式解方法，PARK，HORAUD也是独立解方法，ANDREFF，DANIILIDIS等是同时闭式解，（从同一组数据实验中得到结论，认为独立解中TSAI方法求得解的误差较大）。

参数澄清

这里有必要为刚刚使用该函数的同学澄清一下, 这个函数的本质为求解以下方程 (其中 $a, b,c,d $ 为一般坐标系变量, 没有特指的物理意义) :

$$ ^dT_a = ^dT_c\times^cT_b\times^bT_a $$

当 $^dT_a$ 和 $^cT_b$ 为常量时, 向函数分别输入 $^dT_c$ 和 $^bT_a$, 函数就会输出一个计算好的 $^cT_b$ .

我们套用函数的原始命名名称:

眼在手上

$$
^bT_t = ^bT_g \times ^gT_c \times ^cT_t
$$

输入 $^bT_g $ 和 $^cT_t$, 输出 $ ^gT_c $

这个流程就是函数中的变量名称所表示的含义, 但是该功能也可以解决眼在手外的情形.

眼在手外

$$ ^gT_t = ^gT_b\times^bT_c\times^cT_t $$ 输入 $^gT_b $ 和 $^cT_t$, 输出 $ ^bT_c $

这种使用方法的输入和输出的物理含义就与函数变量名不一致了,弄清原理, 放心使用, 认清本质, 变量名的物理含义不重要.

‌常见问题排查‌

• ‌错误‌ ：标定结果不稳定或误差大

  ‌原因‌： 数据噪声大或运动不足（如仅平移无旋转）。

  ‌解决：‌ 增加数据量，确保机械臂运动覆盖 6 自由度。

• ‌错误‌： 输出的旋转矩阵非正交

  ‌原因：‌ 输入数据存在坐标系方向错误 (小心 xyz 和 zyx 旋转定义)。

  ‌解决：‌ 检查 R_gripper2base 和 R_target2cam 是否为合法旋转矩阵（正交且行列式为 1）。

参考资料

• https://zhuanlan.zhihu.com/p/673041492
• https://campar.in.tum.de/Chair/HandEyeCalibration
• https://docs.opencv.org/4.x/d9/d0c/group__calib3d.html#gad10a5ef12ee3499a0774c7904a801b99

文章链接：
https://www.zywvvd.com/notes/3d/opencv/cali-hand-eye-cv-intr/cali-hand-eye-cv-intr/